Google 宣布 Gemini API 的 Computer Use 工具正式 GA（General Availability），覆盖 Interactions 与 GenerateContent 两套 API。

同一天，Gemini 应用新增了文档、PDF、演示文稿、表格的直接生成、预览与编辑能力，支持把手写笔记转成 PDF 学习指南并对修改处高亮。

两条更新放在一起看，指向的是同一件事：agent 不再只是把答案说给你听，它开始动屏幕、也开始交成品。

一、Computer Use 从预览转正式

Computer Use 是让模型直接操作图形界面——看截图、点鼠标、敲键盘、读屏幕状态——而不是只走 API 的那条路线。

GA 意味着两件事：

第一，Google 承认这条路是生产级接口，不再是研究演示。企业可以基于它做产品，不再担心"这个 API 明天会不会变"。

第二，同时覆盖 Interactions 和 GenerateContent 两套 API，说明 Google 在把新能力往既有集成路径上铺，而不是逼开发者迁移到新范式。对已经有 Gemini 集成的团队，这是接入成本最低的一次能力升级。

这件事的行业背景值得摆一下：三大厂对"让 agent 操作电脑"给出了三种不同的架构答案。

前两家卖的是"一个会干活的助手"，Google 卖的是"一套让任何应用会干活的接口"。这两种生意的大小完全不同——前者是订阅收入，后者是调用量收入加生态。

对做企业 AI 工作流的团队，Google 这条路更实用：你不需要把员工的账号密码交给第三方托管环境，可以让 agent 跑在自己的系统里，只调 Computer Use 这一个能力。

二、直接出交付物，动的是 Office 的地盘

同日上线的文档能力，看起来像"又一个 AI 写文档"的功能，但细节里有几个点不一样：

• 文档、PDF、演示文稿、表格四类都能直接生成
• 生成之后能预览和编辑，不是丢一段 markdown 让你自己粘
• 手写笔记 → PDF 学习指南，且修改处高亮

最后一条是真正的差异点。"高亮改了什么"意味着 AI 的输出从"结果"变成了"带审计的修改"——这恰好是企业愿意让 AI 碰正式文档的前提。法务、财务、合规场景里，"你改了我哪一句话"比"你写得对不对"更重要。

这也解释了为什么"直接生成可编辑的表格和 PPT"会成为 2027 年企业采购的硬指标：当 agent 输出的最后一个环节是格式转换，它的价值就被卡在"还要人来排一遍"。把这个环节吃掉，才谈得上端到端。

三、同一天的其他几条，串起来看更有意思

11 月 1 日前后的更新密度很高，几条放在一起能看出一条线：

Claude 订阅套餐改名：Max 5x → Max（100 美元/月），Max 20x → Ultra（200 美元/月），价格不变。多数老订阅者的 Ultra 账号取消 5 小时使用限制，新账号保留临时限制防欺诈滥用，周限额不变。

这个改名的含义：按"倍数"命名是模型算力时代的话术（你有几倍额度），按"档位"命名是 agent 时代的话术（你用多重的活）。取消 5 小时限制更关键——agent 跑长任务本来就不该被"每 5 小时重置"这种人类工作节奏约束。

Gemma 首次在太空完成推理：Google「Project Suncatcher」在数周前发射原型卫星后，成功向轨道发送指令、启动 TPU、运行提示词，地面收到首个完整回应。Gemma 成为首个在太空运行的大语言模型。

听起来和 AI work 没关系，但它意味着算力部署的位置不再是约束。当推理可以在轨道上做，agent 的"始终在线、持久运行"就有了新的物理基础。

Claude Code VS Code 扩展被投毒：Cursor 披露其 IDE 扩展市场分发的 Claude Code VS Code 扩展被恶意修改并植入恶意软件，最多影响 5,000 名用户，恶意版本并非 Anthropic 官方开发。Cursor 已下线扩展市场，清除后重新上线。Wiz 同时指出，10 月内至少九个 AI 开发者平台接连披露安全事件。

这条和 Cathedral 攻破 Anthropic 是同一件事的两端：agent 生态的攻击面正在从模型本身，扩散到所有"围绕 agent 的工具链"——扩展市场、MCP server、CLI 插件。

值得关注的原因

第一，Computer Use 的 GA 是一个分水岭。 研究预览阶段，它用来证明"模型能操作电脑"；GA 之后，它变成"企业可以依赖的能力"。中间隔的不是技术，是稳定性、错误处理、可观测性——这三样到了，产品才敢上生产线。

第二，交付物格式是新护城河。 模型能力在收敛，提示词工程在贬值，但"能不能直接给出一个结构正确、可编辑、带修改痕迹的 xlsx / pptx"仍然是硬门槛。因为这不只是生成问题，是格式语义 + 可编辑性 + 版面约束的三重问题。

第三，屏幕驱动型 agent 的治理比 API 型难一个量级。 API 调用是幂等的、可重放的、有明确返回值的；点鼠标不是——它可能点错、可能卡在加载中、可能在错误的页面上执行了正确的操作。所以在企业里落地 Computer Use，真正要设计的是：

• 幂等与回滚：误操作的撤销路径
• 操作留痕：每一步截屏 + 动作的审计日志
• 断点与人工接管：什么时候必须停下来等人
• 权限最小化：agent 的账号本身该有多少权限（这正是 Serval 那类公司整个产品的基础——把员工权限压到真正的最小特权，再用工单换临时提权）

一句话

2026 年 11 月，agent 的三个能力同时到位了：会调度（DeepSeek Super-agent）、会动手（Computer Use GA）、会交件（Gemini 文档生成）。

剩下的不是能力问题，是责任问题——谁为 agent 点错的那一下负责。 这一条，目前全行业都没有答案。